Semua pelajaran

Kursus

AI Kelas 9: Python dan Pembelajaran Mesin

Gunakan Python, NumPy, dan pandas untuk melatih dan mengevaluasi model pembelajaran mesin yang klasik.

Kerjakan pelajaran berurutan. Di akhir, kamu bisa menulis Python dengan struktur data dan fungsi yang bisa dipakai ulang. Kamu bisa menjumlahkan vektor, menghitung peluang, dan mencari rata-rata serta simpangan baku. Kamu bisa memuat, membersihkan, dan membuat diagram tabel dengan NumPy dan pandas. Kamu bisa memasangkan garis pada data, melatih pengklasifikasi regresi logistik, pohon keputusan, dan k tetangga terdekat, serta mengelompokkan data dengan k-means. Kamu bisa menghitung akurasi, presisi, dan perolehan, menemukan kecocokan berlebih, membandingkan model dengan patokan sederhana, dan menyajikan prediksi dari kumpulan data lingkungan.

Cara pakai pelajaran ini

  • Mulai di pelajaran yang bertanda Lakukan ini. Lanjut kalau kamu bisa mengerjakan sendiri baris di bawah judul.
  • Mainkan Permainan dulu. Lalu kerjakan Kuis. 8 dari 10 benar untuk lulus. Lembar kerja ada di kertas. Jawaban ada di bawah.
  • Setiap pelajaran melanjutkan pelajaran sebelumnya. Catat setiap percobaan: apa yang kamu ubah, apa yang terjadi, dan mengapa.
  • Pelajaran kode memakai Python di buku catatan daring yang gratis. Pakai hanya alat AI yang disetujui gurumu. Jelaskan kode yang AI tulis untukmu. Jangan pernah masukkan data pribadi ke kumpulan data yang kamu bagikan.

Setiap pelajaran punya permainan, kuis, dan lembar kerja.

0 dari 36

Pemrograman Python

  1. 1Ulasan sintaksTulis Python dengan variabel, kondisi, dan perulangan.
    • Gunakan variabel, tipe, dan f-strings.
    • Tulis blok if, for, dan while.
    • Baca traceback dan perbaiki kesalahannya.
  2. 2Struktur dataPilih antara list, tuple, set, dan dictionary.
    • Gunakan tiap struktur untuk pekerjaan yang paling cocok.
    • Tulis list comprehension dan dictionary comprehension.
    • Susun struktur bersarang untuk menyimpan rekaman.
  3. 3Fungsi dan modulTulis dan uji fungsi yang bisa dipakai ulang.
    • Gunakan argumen default dan keyword.
    • Tulis tes dengan assert.
    • Impor fungsimu dari sebuah modul.
  4. 4Skrip dataTulis skrip yang membersihkan berkas teks.
    • Baca berkas baris demi baris.
    • Perbaiki baris yang rusak dan lewati baris kosong.
    • Tulis data bersih ke berkas baru.

Matematika untuk pembelajaran mesin

  1. 5VektorJumlahkan vektor dan cari jarak antar titik.
    • Gambarkan titik data sebagai vektor.
    • Jumlahkan dan skalakan vektor.
    • Hitung jarak Euclidean dan perkalian titik.
  2. 6PeluangHitung peluang sederhana dan peluang bersyarat.
    • Hitung peluang suatu kejadian.
    • Hitung peluang bersyarat dari tabel.
    • Simulasikan lemparan koin untuk memeriksa jawabanmu.
  3. 7StatistikaCari rata-rata, varians, dan simpangan baku.
    • Hitung masing-masing dengan tangan dan dengan kode.
    • Jelaskan apa yang simpangan baku beritahukan.
    • Bandingkan 2 kumpulan data dari sebarannya.
  4. 8Percobaan matematikaGambar data dan jelaskan sebarannya.
    • Buat histogram.
    • Buat diagram sebar.
    • Jelaskan pusat, sebaran, dan pencilan.

Sains data

  1. 9NumPyLakukan matematika pada seluruh array dengan NumPy.
    • Buat dan ubah bentuk array.
    • Gunakan operasi vektor, bukan perulangan.
    • Indeks dan slice array.
  2. 10pandasMuat, saring, dan kelompokkan tabel dengan pandas.
    • Muat CSV ke DataFrame.
    • Saring baris dan pilih kolom.
    • Kelompokkan dan ringkas data.
  3. 11Membersihkan dataTangani nilai yang hilang dan tipe yang salah.
    • Temukan nilai yang hilang.
    • Isi atau buang nilai itu, dan jelaskan pilihanmu.
    • Perbaiki tipe yang salah dan baris duplikat.
  4. 12VisualisasiBuat diagram yang menjawab pertanyaan.
    • Pilih diagram yang tepat untuk pertanyaan itu.
    • Beri label sumbu dan tambahkan judul.
    • Temukan diagram yang menyesatkan dan perbaiki.

Dasar pembelajaran mesin

  1. 13Apa itu pembelajaran mesinJelaskan bagaimana model belajar pola dari data.
    • Bandingkan menulis aturan dan belajar dari data.
    • Definisikan model, parameter, dan pelatihan.
    • Sebut 3 penggunaan nyata pembelajaran mesin.
  2. 14Terbimbing dan tak terbimbingBedakan tugas terbimbing dari tugas tak terbimbing.
    • Katakan bahwa pembelajaran terbimbing memakai label.
    • Katakan bahwa pembelajaran tak terbimbing menemukan struktur tanpa label.
    • Urutkan 10 tugas ke tiap kelompok.
  3. 15Alur kerja MLSebutkan langkah dari data sampai model yang bekerja.
    • Urutkan langkah: pertanyaan, data, fitur, latih, evaluasi, terapkan.
    • Katakan apa yang bisa salah di tiap langkah.
    • Katakan mengapa langkah itu berulang.
  4. 16Bandingkan tugas MLCocokkan masalah dengan regresi, klasifikasi, atau pengelompokan.
    • Katakan apa yang tiap tugas prediksi.
    • Cocokkan 10 masalah dengan satu tugas.
    • Tulis ulang satu masalah sebagai tugas yang berbeda.

Regresi

  1. 17Regresi linierPasangkan garis pada data.
    • Jelaskan kemiringan dan titik potong.
    • Pasangkan garis dengan scikit-learn.
    • Gambar garis di atas data.
  2. 18FiturPilih dan skalakan fitur.
    • Gunakan lebih dari satu fitur.
    • Skalakan fitur ke rentang yang sama.
    • Kodekan fitur kategori.
  3. 19GalatUkur galat dengan galat kuadrat rata-rata.
    • Hitung sisa.
    • Hitung galat kuadrat rata-rata dan galat absolut rata-rata.
    • Gambar sisa untuk menemukan pola.
  4. 20Prediksi angkaLatih model regresi dan prediksi nilai baru.
    • Latih pada satu bagian data.
    • Prediksi sisanya.
    • Laporkan galat dalam satuan nyata.

Klasifikasi

  1. 21Regresi logistikLatih pengklasifikasi regresi logistik.
    • Jelaskan bagaimana ia mengubah skor menjadi peluang.
    • Latih dan prediksi peluang.
    • Ubah ambang dan bandingkan.
  2. 22Pohon keputusanLatih pohon keputusan dan baca percabangannya.
    • Latih sebuah pohon.
    • Gambar dan baca percabangannya.
    • Batasi kedalamannya dan bandingkan skor.
  3. 23k tetangga terdekatKlasifikasikan dengan k tetangga terdekat dan pilih k.
    • Jelaskan bagaimana k tetangga terdekat memilih dengan suara.
    • Coba beberapa nilai k.
    • Katakan mengapa penskalaan penting untuk k tetangga terdekat.
  4. 24Latih pengklasifikasiBandingkan 3 pengklasifikasi pada satu kumpulan data.
    • Latih ketiganya pada pembagian yang sama.
    • Bandingkan skornya.
    • Pilih satu dan jelaskan mengapa.

Pembelajaran tak terbimbing

  1. 25KemiripanUkur seberapa mirip 2 sampel.
    • Gunakan jarak Euclidean.
    • Gunakan kemiripan kosinus.
    • Temukan item yang paling mirip dalam kumpulan data.
  2. 26k-meansKelompokkan data dengan pengelompokan k-means.
    • Kerjakan langkah k-means dengan tangan.
    • Jalankan di scikit-learn.
    • Gambar klasternya.
  3. 27Memilih kGunakan metode siku untuk memilih jumlah klaster.
    • Jalankan k-means untuk beberapa nilai k.
    • Gambar kurva siku.
    • Periksa bahwa klasternya masuk akal.
  4. 28Kelompokkan sampelBuat klaster dari kumpulan data dan jelaskan tiap kelompok.
    • Buat klaster dari kumpulan data yang nyata.
    • Ringkas tiap klaster.
    • Beri nama tiap klaster.

Evaluasi model

  1. 29Pembagian latih dan ujiBagi data dan jelaskan mengapa.
    • Bagi dengan train_test_split.
    • Gunakan set validasi untuk menyetel.
    • Gunakan validasi silang.
  2. 30Akurasi, presisi, dan perolehanHitung akurasi, presisi, dan perolehan.
    • Buat matriks konfusi.
    • Hitung tiap metrik dari matriks itu.
    • Pilih metrik yang cocok untuk masalahnya.
  3. 31Kecocokan berlebihTemukan kecocokan berlebih dengan membandingkan skor latih dan skor uji.
    • Latih model dengan kecocokan berlebih.
    • Gambar skor latih dan skor uji.
    • Kurangi kecocokan berlebih dan bandingkan.
  4. 32PatokanBandingkan model dengan patokan sederhana.
    • Buat patokan yang selalu menebak jawaban yang paling umum.
    • Bandingkan modelmu dengannya.
    • Jelaskan kapan model tidak layak dipakai.

Proyek pembelajaran mesin

  1. 33Pilih kumpulan dataPilih kumpulan data lingkungan yang terbuka dan sebuah pertanyaan.
    • Temukan kumpulan data cuaca atau kualitas udara yang terbuka.
    • Tulis pertanyaan yang bisa dijawab kumpulan data itu.
    • Pilih regresi atau klasifikasi.
  2. 34Siapkan dan jelajahiBersihkan data dan buat diagram pola utamanya.
    • Bersihkan data.
    • Buat diagram 3 pola.
    • Pilih fitur.
  3. 35Latih dan bandingkanLatih 2 model dan bandingkan dengan patokan.
    • Latih 2 model.
    • Bandingkan dengan patokan.
    • Periksa kecocokan berlebih.
  4. 36Memprediksi kondisi lingkunganSajikan hasil, batas, dan langkah berikutnya.
    • Tunjukkan hasil dan diagrammu.
    • Jelaskan batas model.
    • Usulkan langkah berikutnya.